变运营环境下基于混合主成分分析的结构损伤识别方法

运营环境变化通常会引起结构动力特性随之变化,进而掩盖损伤引起的变化。在工程实际中,剔除运营环境变化的影响对结构损伤识别至关重要,当前较多采用主成分分析实现该目的。然而,传统的主成分分析仅当数据近似满足高斯分布且线性相关时非常有效,当数据中存在非高斯分布和非线性相关等情形时则效果较差。为此,提出一种基于混合主成分分析的结构损伤识别方法,首先,利用高斯混合模型将多维(非高斯分布且非线性相关)数据的联合概率密度函数拟合为多个局部高斯分量的线性组合;其次,对所有高斯分量分别建立相应的主成分分析模型;最后,对所有主成分分析模型的残差部分分别计算马氏平方距离和欧氏平方距离,经加权标准化后作为结构的综合损伤指标。采用质量弹簧系统仿真数据和木桁架桥试验数据对所提方法进行验证,结果表明:该方法可有效处理损伤特征数据中的非高斯分布和非线性相关等问题,从而剔除运营环境变化的影响以显著提升结构损伤识别的能力。

结合逆非线性主成分分析和极值理论的桥梁损伤检测

为提高环境和运营变化(environmental and operational variations,EOV)影响下的桥梁损伤检测可靠性,结合逆非线性主成分分析(inverse nonlinear principal component analysis,INLPCA)和极值理论,提出一种新的桥梁损伤检测方法.该方法采用INLPCA对桥梁损伤特征进行建模,利用不完备健康监测数据的估计均方误差和添加神经网络训练惩罚项控制INLPCA的非线性程度.采用INLPCA对损伤特征的重构误差和马氏平方距离(Mahalanobis squared distance,MSD)建立损伤指标(ID),最后基于ID的广义极值(generalized extreme value,GEV)分布建立损伤检测阈值.以比利时KW51铁路桥和天津永和斜拉桥为例,验证所提方法的有效性.结果表明,所提方法能准确检测EOV影响下的桥梁损伤,且对不同桥型和不同损伤特征均有良好的适用性.